Seventy-five Years of Measuring Income Inequality in Latin America
Notice bibliographique
Résumé
Drawing on a comprehensive compilation of quantile shares and inequality measures for 34 countries, including over 5,600 estimated Gini coefficient, we review the measurement of income inequality in Latin America and the Caribbean over the last seven decades. Although the evidence from the first quarter century roughly until the 1970s is too fragmentary and difficult to compare, clearer patterns emerge for last fifty years. The central feature of these patterns is a broad inverted U curve, with inequality rising in most countries prior to the 1990s, and falling during the early 21st Century, at least until the mid-2010s, when trends appear to diverge across countries. This broad pattern is modified by country specificities, with considerable variation in timing and magnitude. Whereas this broad picture emerges for income inequality dynamics, there is much more uncertainty about the exact levels of inequality in the region. The uncertainty arises from the disparity in estimates for the same country/year combinations, depending on whether they come from household surveys exclusively; from some combination of surveys and administrative tax data; and on whether they attempt to scale income aggregates to achieve consistency with National Accounts estimates. Since no single method is fully convincing at present, we are left with (often wide) ranges, or bands, of inequality as our best summaries of inequality levels. Reassuringly, however, the dynamic patterns are generally robust across the bands.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».